False Data Injection Attacks Against State Estimation in Multiphase and Unbalanced Smart Distribution Systems
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
In power transmission systems, the false data injection (FDI) attacks against state estimation (SE) have been well studied. However, due to the unique features of power distribution systems including: the low x/r ratio, existence of one-and/or two-phase branches, unbalanced load distributions, and unsymmetrical line parameters; the research on FDI attacks against distribution system SE (DSSE) is still open. In this paper, we investigate the vulnerability of DSSE to FDI attacks. In particular, we first propose a local state-based linear DSSE for multiphase and unbalanced smart distribution systems, which can facilitate the construction of FDI attacks numerically with the least information of system states. Then, the construction of three-phase coupled FDI attacks is introduced. The consideration of the coupling among phases by the three-phase coupled FDI attacks may require the modification of a large number of measurements by the attackers. To reduce the number of required measurements, the perfect three-phase decoupled FDI attacks, which consider the weak couplings among phases, is investigated. The probabilities of successful three-phase decoupled FDI attacks in strongly three-phase coupled systems are also derived numerically. The performance of the proposed FDI attacks against DSSE is evaluated based on IEEE test feeders. The case study results indicate the feasibility of the FDI attacks against DSSE in practical multiphase and unbalanced smart distribution systems. Future research directions including potential countermeasures are also highlighted.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle